Business Analytics - Versionsgeschichte

Salis.Matteo am 4. Dezember 2020 um 09:54 Uhr

2020-12-04T09:54:30Z

← Nächstältere Version		Version vom 4. Dezember 2020, 11:54 Uhr
Zeile 155:		Zeile 155:

	[[Kategorie:Data Analytics]]		[[Kategorie:Data Analytics]]
			[[Kategorie:Digital Controlling]]

Salis.Matteo: /* Herausforderungen und Lösungsansätze */

2020-10-28T09:54:44Z

Herausforderungen und Lösungsansätze

← Nächstältere Version		Version vom 28. Oktober 2020, 11:54 Uhr
Zeile 60:		Zeile 60:

	==Herausforderungen und Lösungsansätze==		==Herausforderungen und Lösungsansätze==
	Eine der grössten Herausforderungen besteht bei den Mitarbeitenden. Business Analytics erfordert eine umfassende Zusammenarbeit der verschiedenen Abteilungen (Buschbacher, 2016, S. 42). Zudem wird Expertenwissen benötigt~~. Dieses kann~~ durch einen [[Digitaler Controller\|Digital Controller]] oder einen [[Data Scientist]] abgedeckt werden. Das Kompetenzprofil des [[Digitaler Controller\|Digital Controllers]] umfasst vertieftes Wissen in digitalen Controlling-Abläufen, wobei die Kompetenzen des [[Data Scientist\|Data Scientists]] stärker in ~~den~~ mathematischen und statistischen Aufgaben liegen (Egle & Keimer, 2018, S. 49; Ereth & Kemper, 2016, S. 462).		Eine der grössten Herausforderungen besteht bei den Mitarbeitenden. Business Analytics erfordert eine umfassende Zusammenarbeit der verschiedenen Abteilungen (Buschbacher, 2016, S. 42). Zudem wird Expertenwissen benötigt, welches durch einen [[Digitaler Controller\|Digital Controller]] oder einen [[Data Scientist]] abgedeckt werden kann. Das Kompetenzprofil des [[Digitaler Controller\|Digital Controllers]] umfasst vertieftes Wissen in digitalen Controlling-Abläufen, wobei die Kompetenzen des [[Data Scientist\|Data Scientists]] stärker in mathematischen und statistischen Aufgaben liegen (Egle & Keimer, 2018, S. 49; Ereth & Kemper, 2016, S. 462).

	Auch die Daten an sich sind eine Herausforderung. Beispielsweise ist den Unternehmen oft nicht bewusst, was für interne Daten überhaupt vorhanden sind und welche externen Daten noch erhoben werden sollen und können (Buschbacher, 2016, S. 42). Man spricht hier auch von Big Data. Zudem ist die Qualität der Daten essenziell. Die Daten dürfen nicht veraltet sein und müssen Konformitätsqualität aufweisen. Konformitätsqualität meint, dass sie mit den realen Gegebenheiten korrelieren müssen (Klier & Heinrich, 2016, S. 488–489).		Auch die Daten an sich sind eine Herausforderung. Beispielsweise ist den Unternehmen oft nicht bewusst, was für interne Daten überhaupt vorhanden sind und welche externen Daten noch erhoben werden sollen und können (Buschbacher, 2016, S. 42). Man spricht hier auch von Big Data. Zudem ist die Qualität der Daten essenziell. Die Daten dürfen nicht veraltet sein und müssen Konformitätsqualität aufweisen. Konformitätsqualität meint, dass sie mit den realen Gegebenheiten korrelieren müssen (Klier & Heinrich, 2016, S. 488–489).

Salis.Matteo: /* Einsatzgebiete */

2020-10-28T09:51:09Z

Einsatzgebiete

← Nächstältere Version		Version vom 28. Oktober 2020, 11:51 Uhr
Zeile 43:		Zeile 43:

	==Einsatzgebiete==		==Einsatzgebiete==
	Verschiedene Bereiche wie Marketing, Finanzen, Unternehmensumwelt, Supply Chain Management und Human Resources Management nutzen Business Analytics (Hodeghatta & Nayak, 2016, Kapitel 1.4.2; Chamoni & Gluchowski, 2017, S. 13; Trkman, McCormack, Valdares de Oliveira & Bronzo Ladeira, 2010, S. 323). Im Folgenden wird jedoch nur auf den Bereich des Controllings, somit den Finanzbereich eingegangen. Im Finanzbereich, auch ~~«digital~~ Finance» genannt, wollen Unternehmen unter anderem die Budgetierung, Planung, Kostenanalyse und -optimierung sowie Rabatt- und Preisanalyse durch Business Analytics vornehmen (Chamoni & Glulchowski, 2017, S. 14; Bange, Grosser & Janoschek, 2015, S. 23). Auch die Bereiche Kreditausfall, Geldwäscherei, Umsatz- und Gewinnprognose sowie die «Auswirkungen der Finanzberichte auf Aktienkurse, Kapitalkosten und andere wirtschaftliche Faktoren» sind mögliche Analysen im Finanzbereich (Acito & Khatri, 2014, S. 569, eigene Übersetzung).		Verschiedene Bereiche wie Marketing, Finanzen, Unternehmensumwelt, Supply Chain Management und Human Resources Management nutzen Business Analytics (Hodeghatta & Nayak, 2016, Kapitel 1.4.2; Chamoni & Gluchowski, 2017, S. 13; Trkman, McCormack, Valdares de Oliveira & Bronzo Ladeira, 2010, S. 323). Im Folgenden wird jedoch nur auf den Bereich des Controllings, somit den Finanzbereich eingegangen. Im Finanzbereich, auch «Digital Finance» genannt, wollen Unternehmen unter anderem die Budgetierung, Planung, Kostenanalyse und -optimierung sowie Rabatt- und Preisanalyse durch Business Analytics vornehmen (Chamoni & Glulchowski, 2017, S. 14; Bange, Grosser & Janoschek, 2015, S. 23). Auch die Bereiche Kreditausfall, Geldwäscherei, Umsatz- und Gewinnprognose sowie die «Auswirkungen der Finanzberichte auf Aktienkurse, Kapitalkosten und andere wirtschaftliche Faktoren» sind mögliche Analysen im Finanzbereich (Acito & Khatri, 2014, S. 569, eigene Übersetzung).

	Weiter können bei der [[Risikoanalyse]] Simulationen, wie beispielsweise die [[Sensitivitätsanalyse#Erweiterungen\|Monte-Carlo-Simulation]], unterstützt und verbessert werden. Somit können Risiken besser quantifiziert und ihre Eintrittswahrscheinlichkeit genauer gemessen werden (Derwisch et al., 2016, S. 481). Ein weiteres Anwendungsgebiet bilden die dynamischen Key Performance Indicators (~~KPI’s~~). Dabei werden mit Hilfe von Algorithmen verschiedene Kennzahlen ~~untereinander~~ in Zusammenhang gebracht und die wesentlichen Erkenntnisse herausgearbeitet. Sie generieren so aktuellere und tiefere Erkenntnisse (Buschbacher, 2016, S. 43). Durch die Prognose der Kosten- und Umsatzkennzahlen und ~~mit Hilfe~~ der ~~KPI’s~~ können auch Gewinngrössen wie der EBITDA simuliert werden (Mehanna et al., 2016, S. 504). Dies ermöglicht dem Unternehmen eine präzise [[Szenarioanalyse]]. So sind mögliche Probleme früher ersichtlich und es kann entsprechend gehandelt werden.		Weiter können bei der [[Risikoanalyse]] Simulationen, wie beispielsweise die [[Sensitivitätsanalyse#Erweiterungen\|Monte-Carlo-Simulation]], unterstützt und verbessert werden. Somit können Risiken besser quantifiziert und ihre Eintrittswahrscheinlichkeit genauer gemessen werden (Derwisch et al., 2016, S. 481). Ein weiteres Anwendungsgebiet bilden die dynamischen Key Performance Indicators (KPIs). Dabei werden mit Hilfe von Algorithmen verschiedene Kennzahlen in Zusammenhang gebracht und die wesentlichen Erkenntnisse herausgearbeitet. Sie generieren so aktuellere und tiefere Erkenntnisse (Buschbacher, 2016, S. 43). Durch die Prognose der Kosten- und Umsatzkennzahlen und mithilfe der KPIs können auch Gewinngrössen wie der EBITDA simuliert werden (Mehanna et al., 2016, S. 504). Dies ermöglicht dem Unternehmen eine präzise [[Szenarioanalyse]]. So sind mögliche Probleme früher ersichtlich und es kann entsprechend gehandelt werden.

	Zudem können durch die grosse Menge an Daten und durch das maschinelle Lernen Unregelmässigkeiten oder optische Abweichungen besser erkannt werden. So können ~~Betruge~~ wie beispielsweise abweichende Unterschriften auf Rechnungen oder fragwürdige Kreditkartentransaktionen herausgefiltert werden (Ereth & Kemper, 2016, S. 463). Neue Technologien können zudem die Abnutzung der Maschinen in Echtzeit festhalten und so die genauen Abschreibungen berechnen. Wenn wenig produziert wird, werden auch die Maschinen weniger genutzt und so weniger abgeschrieben. Somit wird der Ertrag in schlechten Zeiten nicht zusätzlich durch hohe Abschreibungen belastet (Buschbacher, 2016, S. 43).		Zudem können durch die grosse Menge an Daten und durch das maschinelle Lernen Unregelmässigkeiten oder optische Abweichungen besser erkannt werden. So können Betrügereien wie beispielsweise abweichende Unterschriften auf Rechnungen oder fragwürdige Kreditkartentransaktionen herausgefiltert werden (Ereth & Kemper, 2016, S. 463). Neue Technologien können zudem die Abnutzung der Maschinen in Echtzeit festhalten und so die genauen Abschreibungen berechnen. Wenn wenig produziert wird, werden auch die Maschinen weniger genutzt und so weniger abgeschrieben. Somit wird der Ertrag in schlechten Zeiten nicht zusätzlich durch hohe Abschreibungen belastet (Buschbacher, 2016, S. 43).

	Um die Daten für obengenannte Einsatzbereiche zu analysieren gibt es vier verschiedene Analyseebenen: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics (Keimer et al., 2017, S. 830). Diese vier Analyseebenen sind mit den deutschen Begriffen in Abbildung 1 dargestellt. Nachfolgend werden die Analyseebenen genauer beschrieben und mit den Einsatzgebieten im Controlling ergänzt:		Um die Daten für obengenannte Einsatzbereiche zu analysieren gibt es vier verschiedene Analyseebenen: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics (Keimer et al., 2017, S. 830). Diese vier Analyseebenen sind mit den deutschen Begriffen in Abbildung 1 dargestellt. Nachfolgend werden die Analyseebenen genauer beschrieben und mit den Einsatzgebieten im Controlling ergänzt:

Salis.Matteo: /* Data Analytics */

2020-10-28T09:44:32Z

Data Analytics

← Nächstältere Version		Version vom 28. Oktober 2020, 11:44 Uhr
Zeile 38:		Zeile 38:
	* Unter '''Real-Time Analyse''' fällt die Gegenwartsanalyse. Dabei werden Datenströme in Echtzeit analysiert, um laufende Veränderungen aufzuzeigen. Dadurch sollen Unternehmen so schnell wie möglich auf Veränderungen reagieren können (Derwisch et al., 2016, S. 481).		* Unter '''Real-Time Analyse''' fällt die Gegenwartsanalyse. Dabei werden Datenströme in Echtzeit analysiert, um laufende Veränderungen aufzuzeigen. Dadurch sollen Unternehmen so schnell wie möglich auf Veränderungen reagieren können (Derwisch et al., 2016, S. 481).

	* Die '''~~Graphen-basierte~~ Analyse''' stellt gewisse Daten und Zusammenhänge in Form von Graphen anstelle von Tabellen und Listen dar. Beispielsweise prognostizieren Crawl Charts die kumulierten Aufträge und Umsätze mehrerer Quartale (Möller et al., 2016, S. 511).		* Die '''Graphenbasierte Analyse''' stellt gewisse Daten und Zusammenhänge in Form von Graphen anstelle von Tabellen und Listen dar. Beispielsweise prognostizieren Crawl Charts die kumulierten Aufträge und Umsätze mehrerer Quartale (Möller et al., 2016, S. 511).

	* Die '''~~Text-Analyse~~''' bzw. [[Text Mining]] sucht Strukturen und Zusammenhänge aus verschiedenen Texten wie E-Mails oder Blogs. Es können nicht nur Namen oder Orte, sondern auch Sinnzusammenhänge erkannt werden (Buschbacher, 2016, S. 43).		* Die '''Textanalyse''' bzw. [[Text Mining]] sucht Strukturen und Zusammenhänge aus verschiedenen Texten wie E-Mails oder Blogs. Es können nicht nur Namen oder Orte, sondern auch Sinnzusammenhänge erkannt werden (Buschbacher, 2016, S. 43).

	==Einsatzgebiete==		==Einsatzgebiete==

Salis.Matteo: /* Data Analytics */

2020-10-28T09:44:02Z

Data Analytics

← Nächstältere Version		Version vom 28. Oktober 2020, 11:44 Uhr
Zeile 36:		Zeile 36:
	* '''Advanced Analytics''' befasst sich mit Handlungsempfehlungen. Durch Mustererkennung und einem stetigen Lernprozess versuchen die Programme genaue Prognosen und entsprechende Handlungsempfehlungen zu formulieren (Derwisch et al., 2016, S. 481–482).		* '''Advanced Analytics''' befasst sich mit Handlungsempfehlungen. Durch Mustererkennung und einem stetigen Lernprozess versuchen die Programme genaue Prognosen und entsprechende Handlungsempfehlungen zu formulieren (Derwisch et al., 2016, S. 481–482).

	* Unter '''Real-~~time~~ Analyse''' fällt die Gegenwartsanalyse. Dabei werden Datenströme in Echtzeit analysiert, um laufende Veränderungen aufzuzeigen. Dadurch sollen Unternehmen so schnell wie möglich auf Veränderungen reagieren können (Derwisch et al., 2016, S. 481).		* Unter '''Real-Time Analyse''' fällt die Gegenwartsanalyse. Dabei werden Datenströme in Echtzeit analysiert, um laufende Veränderungen aufzuzeigen. Dadurch sollen Unternehmen so schnell wie möglich auf Veränderungen reagieren können (Derwisch et al., 2016, S. 481).

	* Die '''Graphen-basierte Analyse''' stellt gewisse Daten und Zusammenhänge in Form von Graphen anstelle von Tabellen und Listen dar. Beispielsweise prognostizieren Crawl Charts die kumulierten Aufträge und Umsätze mehrerer Quartale (Möller et al., 2016, S. 511).		* Die '''Graphen-basierte Analyse''' stellt gewisse Daten und Zusammenhänge in Form von Graphen anstelle von Tabellen und Listen dar. Beispielsweise prognostizieren Crawl Charts die kumulierten Aufträge und Umsätze mehrerer Quartale (Möller et al., 2016, S. 511).

Salis.Matteo: /* Data Analytics */

2020-10-28T09:43:33Z

Data Analytics

← Nächstältere Version		Version vom 28. Oktober 2020, 11:43 Uhr
Zeile 34:		Zeile 34:
	* Die '''Visuelle Analyse''' beziehungsweise [[Visual Analytics]] kombiniert die computergestützte Datenauswertung mit den kognitiven Fähigkeiten der Menschen, indem beispielsweise Datenströme zweidimensional dargestellt werden und so den Menschen helfen, Muster zu erkennen (Ereth & Kemper, 2016, S. 460).		* Die '''Visuelle Analyse''' beziehungsweise [[Visual Analytics]] kombiniert die computergestützte Datenauswertung mit den kognitiven Fähigkeiten der Menschen, indem beispielsweise Datenströme zweidimensional dargestellt werden und so den Menschen helfen, Muster zu erkennen (Ereth & Kemper, 2016, S. 460).

	* '''Advanced Analytics''' befasst sich mit ~~den~~ Handlungsempfehlungen. Durch Mustererkennung und einem stetigen Lernprozess versuchen die Programme genaue Prognosen und entsprechende Handlungsempfehlungen zu formulieren (Derwisch et al., 2016, S. 481–482).		* '''Advanced Analytics''' befasst sich mit Handlungsempfehlungen. Durch Mustererkennung und einem stetigen Lernprozess versuchen die Programme genaue Prognosen und entsprechende Handlungsempfehlungen zu formulieren (Derwisch et al., 2016, S. 481–482).

	* Unter '''Real-time Analyse''' fällt die Gegenwartsanalyse. Dabei werden Datenströme in Echtzeit analysiert, um laufende Veränderungen aufzuzeigen. Dadurch sollen Unternehmen so schnell wie möglich auf Veränderungen reagieren können (Derwisch et al., 2016, S. 481).		* Unter '''Real-time Analyse''' fällt die Gegenwartsanalyse. Dabei werden Datenströme in Echtzeit analysiert, um laufende Veränderungen aufzuzeigen. Dadurch sollen Unternehmen so schnell wie möglich auf Veränderungen reagieren können (Derwisch et al., 2016, S. 481).

Salis.Matteo: /* Definition und Begriffsabgrenzung */

2020-10-28T09:41:12Z

Definition und Begriffsabgrenzung

← Nächstältere Version		Version vom 28. Oktober 2020, 11:41 Uhr
Zeile 10:		Zeile 10:
	Es werden interne sowie externe Daten extrahiert, aufbereitet und harmonisiert und mithilfe technischer Hilfsmittel ausgewertet und visualisiert. Damit werden die Planungen und Entscheide der Unternehmen unterstützt (Ereth & Kemper, 2016, S. 458).		Es werden interne sowie externe Daten extrahiert, aufbereitet und harmonisiert und mithilfe technischer Hilfsmittel ausgewertet und visualisiert. Damit werden die Planungen und Entscheide der Unternehmen unterstützt (Ereth & Kemper, 2016, S. 458).

	Business Analytics steht eng mit dem Begriff [[Business Intelligence\|Business Intelligence (BI)]] in Verbindung. [[Business Intelligence\|Business Intelligence (BI)]] basiert auf bereits vorhandenen Daten und wiedergibt vergangene Geschäftsfälle. Business Analytics fokussiert sich auf die Analyse in Echtzeit und auf die Frage «Was wird zukünftig sein?» (Eggert, 2018, S. 20). Somit steht bei Business Analytics der künftige Einsatz der Datenauswertung im Mittelpunkt (Chamoni & Gluchowski, 2017, S. 9). Zudem richtet sich Business Analytics stärker auf eine quantitative, methodenorientierte Analyse der Datenbestände. Business Analytics wird als Ergänzung zu [[Business Intelligence]] verstanden. Aus diesem Grund wird auch oft der Begriff Business Intelligence und Analytics (BIA) verwendet (Ereth & Kemper, 2016, S. 458–459). Die Abbildung 1 zeigt die Bandbreite der Analysen von [[Business Intelligence]] und Analytics. Dabei ist zu erkennen, wie Business Analytics als Erweiterung von [[Business Intelligence]] verstanden wird. In der diagnostischen Analyse besteht sogar eine Überschneidung der beiden Ansätze		Business Analytics steht eng mit dem Begriff [[Business Intelligence\|Business Intelligence (BI)]] in Verbindung. [[Business Intelligence\|Business Intelligence (BI)]] basiert auf bereits vorhandenen Daten und wiedergibt vergangene Geschäftsfälle. Business Analytics fokussiert sich auf die Analyse in Echtzeit und auf die Frage «Was wird zukünftig sein?» (Eggert, 2018, S. 20). Somit steht bei Business Analytics der künftige Einsatz der Datenauswertung im Mittelpunkt (Chamoni & Gluchowski, 2017, S. 9). Zudem richtet sich Business Analytics stärker auf eine quantitative, methodenorientierte Analyse der Datenbestände. Business Analytics wird als Ergänzung zu [[Business Intelligence]] verstanden. Aus diesem Grund wird auch oft der Begriff Business Intelligence und Analytics (BIA) verwendet (Ereth & Kemper, 2016, S. 458–459). Die Abbildung 1 zeigt die Bandbreite der Analysen von [[Business Intelligence]] und Analytics. Dabei ist zu erkennen, wie Business Analytics als Erweiterung von [[Business Intelligence]] verstanden wird. In der diagnostischen Analyse besteht sogar eine Überschneidung der beiden Ansätze.

	==Ziele==		==Ziele==

Salis.Matteo: /* Einsatzgebiete */

2020-10-28T09:39:44Z

Einsatzgebiete

← Nächstältere Version		Version vom 28. Oktober 2020, 11:39 Uhr
Zeile 45:		Zeile 45:
	Verschiedene Bereiche wie Marketing, Finanzen, Unternehmensumwelt, Supply Chain Management und Human Resources Management nutzen Business Analytics (Hodeghatta & Nayak, 2016, Kapitel 1.4.2; Chamoni & Gluchowski, 2017, S. 13; Trkman, McCormack, Valdares de Oliveira & Bronzo Ladeira, 2010, S. 323). Im Folgenden wird jedoch nur auf den Bereich des Controllings, somit den Finanzbereich eingegangen. Im Finanzbereich, auch «digital Finance» genannt, wollen Unternehmen unter anderem die Budgetierung, Planung, Kostenanalyse und -optimierung sowie Rabatt- und Preisanalyse durch Business Analytics vornehmen (Chamoni & Glulchowski, 2017, S. 14; Bange, Grosser & Janoschek, 2015, S. 23). Auch die Bereiche Kreditausfall, Geldwäscherei, Umsatz- und Gewinnprognose sowie die «Auswirkungen der Finanzberichte auf Aktienkurse, Kapitalkosten und andere wirtschaftliche Faktoren» sind mögliche Analysen im Finanzbereich (Acito & Khatri, 2014, S. 569, eigene Übersetzung).		Verschiedene Bereiche wie Marketing, Finanzen, Unternehmensumwelt, Supply Chain Management und Human Resources Management nutzen Business Analytics (Hodeghatta & Nayak, 2016, Kapitel 1.4.2; Chamoni & Gluchowski, 2017, S. 13; Trkman, McCormack, Valdares de Oliveira & Bronzo Ladeira, 2010, S. 323). Im Folgenden wird jedoch nur auf den Bereich des Controllings, somit den Finanzbereich eingegangen. Im Finanzbereich, auch «digital Finance» genannt, wollen Unternehmen unter anderem die Budgetierung, Planung, Kostenanalyse und -optimierung sowie Rabatt- und Preisanalyse durch Business Analytics vornehmen (Chamoni & Glulchowski, 2017, S. 14; Bange, Grosser & Janoschek, 2015, S. 23). Auch die Bereiche Kreditausfall, Geldwäscherei, Umsatz- und Gewinnprognose sowie die «Auswirkungen der Finanzberichte auf Aktienkurse, Kapitalkosten und andere wirtschaftliche Faktoren» sind mögliche Analysen im Finanzbereich (Acito & Khatri, 2014, S. 569, eigene Übersetzung).

	Weiter können bei der [[Risikoanalyse]] Simulationen, wie beispielsweise die Monte-Carlo-Simulation, unterstützt und verbessert werden. Somit können Risiken besser quantifiziert und ihre Eintrittswahrscheinlichkeit genauer gemessen werden (Derwisch et al., 2016, S. 481). Ein weiteres Anwendungsgebiet bilden die dynamischen Key Performance Indicators (KPI’s). Dabei werden mit Hilfe von Algorithmen verschiedene Kennzahlen untereinander in Zusammenhang gebracht und die wesentlichen Erkenntnisse herausgearbeitet. Sie generieren so aktuellere und tiefere Erkenntnisse (Buschbacher, 2016, S. 43). Durch die Prognose der Kosten- und Umsatzkennzahlen und mit Hilfe der KPI’s können auch Gewinngrössen wie der EBITDA simuliert werden (Mehanna et al., 2016, S. 504). Dies ermöglicht dem Unternehmen eine präzise [[Szenarioanalyse]]. So sind mögliche Probleme früher ersichtlich und es kann entsprechend gehandelt werden.		Weiter können bei der [[Risikoanalyse]] Simulationen, wie beispielsweise die [[Sensitivitätsanalyse#Erweiterungen\|Monte-Carlo-Simulation]], unterstützt und verbessert werden. Somit können Risiken besser quantifiziert und ihre Eintrittswahrscheinlichkeit genauer gemessen werden (Derwisch et al., 2016, S. 481). Ein weiteres Anwendungsgebiet bilden die dynamischen Key Performance Indicators (KPI’s). Dabei werden mit Hilfe von Algorithmen verschiedene Kennzahlen untereinander in Zusammenhang gebracht und die wesentlichen Erkenntnisse herausgearbeitet. Sie generieren so aktuellere und tiefere Erkenntnisse (Buschbacher, 2016, S. 43). Durch die Prognose der Kosten- und Umsatzkennzahlen und mit Hilfe der KPI’s können auch Gewinngrössen wie der EBITDA simuliert werden (Mehanna et al., 2016, S. 504). Dies ermöglicht dem Unternehmen eine präzise [[Szenarioanalyse]]. So sind mögliche Probleme früher ersichtlich und es kann entsprechend gehandelt werden.

	Zudem können durch die grosse Menge an Daten und durch das maschinelle Lernen Unregelmässigkeiten oder optische Abweichungen besser erkannt werden. So können Betruge wie beispielsweise abweichende Unterschriften auf Rechnungen oder fragwürdige Kreditkartentransaktionen herausgefiltert werden (Ereth & Kemper, 2016, S. 463). Neue Technologien können zudem die Abnutzung der Maschinen in Echtzeit festhalten und so die genauen Abschreibungen berechnen. Wenn wenig produziert wird, werden auch die Maschinen weniger genutzt und so weniger abgeschrieben. Somit wird der Ertrag in schlechten Zeiten nicht zusätzlich durch hohe Abschreibungen belastet (Buschbacher, 2016, S. 43).		Zudem können durch die grosse Menge an Daten und durch das maschinelle Lernen Unregelmässigkeiten oder optische Abweichungen besser erkannt werden. So können Betruge wie beispielsweise abweichende Unterschriften auf Rechnungen oder fragwürdige Kreditkartentransaktionen herausgefiltert werden (Ereth & Kemper, 2016, S. 463). Neue Technologien können zudem die Abnutzung der Maschinen in Echtzeit festhalten und so die genauen Abschreibungen berechnen. Wenn wenig produziert wird, werden auch die Maschinen weniger genutzt und so weniger abgeschrieben. Somit wird der Ertrag in schlechten Zeiten nicht zusätzlich durch hohe Abschreibungen belastet (Buschbacher, 2016, S. 43).

Salis.Matteo am 28. Oktober 2020 um 09:38 Uhr

2020-10-28T09:38:19Z

← Nächstältere Version		Version vom 28. Oktober 2020, 11:38 Uhr
Zeile 1:		Zeile 1:
	{{Geprueft\|+}}		{{Geprueft\|+}}

	Business Analytics gewinnt für Controllerinnen und Controller durch Big Data und durch das schnell ändernde Unternehmensumfeld ständig an Bedeutung und wird deshalb von immer mehr Unternehmen eingesetzt (Nam, Lee & Lee, 2019a, S. 411; Nam, Lee & Lee, 2019b, S. 233; Cao & Duan, 2017, S. 874). Business Analytics, respektive dessen Analyse- und Auswertungsmethoden, soll einem Unternehmen zu einer besseren Leistungserbringung verhelfen, durch Technik bei Entscheidungen unterstützen und allgemein neue Erkenntnisse bringen (Keimer, Zorn, Gisler & Fallegger, 2017, S. 827).		Business Analytics gewinnt für Controllerinnen und Controller durch [[Big Data]] und durch das schnell ändernde Unternehmensumfeld ständig an Bedeutung und wird deshalb von immer mehr Unternehmen eingesetzt (Nam, Lee & Lee, 2019a, S. 411; Nam, Lee & Lee, 2019b, S. 233; Cao & Duan, 2017, S. 874). Business Analytics, respektive dessen Analyse- und Auswertungsmethoden, soll einem Unternehmen zu einer besseren Leistungserbringung verhelfen, durch Technik bei Entscheidungen unterstützen und allgemein neue Erkenntnisse bringen (Keimer, Zorn, Gisler & Fallegger, 2017, S. 827).

	==Definition und Begriffsabgrenzung==		==Definition und Begriffsabgrenzung==

Salis.Matteo: /* Einsatzgebiete */

2020-10-28T09:12:34Z

Einsatzgebiete

← Nächstältere Version		Version vom 28. Oktober 2020, 11:12 Uhr
Zeile 55:		Zeile 55:
	* '''Diagnostic Analytics''' versucht den Grund der Erkenntnisse, welche bei Descriptive Analytics herausgefunden wurden, zu beantworten und kausale Zusammenhänge zu entdecken (Keimer et al., 2017, S. 830). Dies ist mit OLAP-Auswertungen, Assoziations- oder Korrelationsanalysen möglich (Mehanna et al., 2018, S. 40). Beim Controlling wird diese Analyseebene bei der [[Abweichungsanalyse]] genutzt (Keimer et al., 2017, S. 830). Diagnostic Analytics wird gemäss Abbildung 1 sowohl im Bereich [[Business Intelligence]] wie auch im Bereich Business Analytics eingesetzt.		* '''Diagnostic Analytics''' versucht den Grund der Erkenntnisse, welche bei Descriptive Analytics herausgefunden wurden, zu beantworten und kausale Zusammenhänge zu entdecken (Keimer et al., 2017, S. 830). Dies ist mit OLAP-Auswertungen, Assoziations- oder Korrelationsanalysen möglich (Mehanna et al., 2018, S. 40). Beim Controlling wird diese Analyseebene bei der [[Abweichungsanalyse]] genutzt (Keimer et al., 2017, S. 830). Diagnostic Analytics wird gemäss Abbildung 1 sowohl im Bereich [[Business Intelligence]] wie auch im Bereich Business Analytics eingesetzt.

	* Bei '''Predictive Analytics''' wird der Blick in die Zukunft gerichtet. Es geht darum, beispielsweise mittels [[Predictive Forecasting]] herauszufinden, was geschehen könnte (Bedeley, Ghoshal, Iyer & Bhadury, 2018, S. 153; Schön, 2016, S. 268). Somit werden mithilfe statistischer Modelle Algorithmen entwickelt, welche Prognosen aufstellen (Keimer et al., 2017, S. 830; Möller et al., 2016, S. 509–510). Zudem kann [[Visual Analytics]] bzw. visuelle Analyse zum Einsatz kommen (Ereth & Kemper, 2016, S. 460). Dies zeigt einem Mitarbeitenden im Controlling, wie sich verschiedene Faktoren verändern. Zudem hilft es ~~dem~~ Mitarbeitenden vergangene Ereignisse besser zu verstehen (Möller & Pieper, 2015, S. 42–43). Dabei werden Umsätze, Kosten, Abschreibungen, Mitarbeitereinsatz oder die Warenversorgung vorhergesagt (Buschbacher, 2016, S. 42). Besonders Trends und Eintrittswahrscheinlichkeit sind für Controllerinnen und Controller relevant. Beispiele dafür sind «zu erwartende Erlöse pro Region unter Berücksichtigung interner und externer Faktoren» (Keimer et al., 2017, S. 830) oder die mögliche Umsatzprognose basierend auf den Auftragseingängen (Möller et al., 2016, S. 509–510).		* Bei '''Predictive Analytics''' wird der Blick in die Zukunft gerichtet. Es geht darum, beispielsweise mittels [[Predictive Forecasting]] herauszufinden, was geschehen könnte (Bedeley, Ghoshal, Iyer & Bhadury, 2018, S. 153; Schön, 2016, S. 268). Somit werden mithilfe statistischer Modelle Algorithmen entwickelt, welche Prognosen aufstellen (Keimer et al., 2017, S. 830; Möller et al., 2016, S. 509–510). Zudem kann [[Visual Analytics]] bzw. visuelle Analyse zum Einsatz kommen (Ereth & Kemper, 2016, S. 460). Dies zeigt einem Mitarbeitenden im Controlling, wie sich verschiedene Faktoren verändern. Zudem hilft es den Mitarbeitenden, vergangene Ereignisse besser zu verstehen (Möller & Pieper, 2015, S. 42–43). Dabei werden Umsätze, Kosten, Abschreibungen, Mitarbeitereinsatz oder die Warenversorgung vorhergesagt (Buschbacher, 2016, S. 42). Besonders Trends und Eintrittswahrscheinlichkeit sind für Controllerinnen und Controller relevant. Beispiele dafür sind «zu erwartende Erlöse pro Region unter Berücksichtigung interner und externer Faktoren» (Keimer et al., 2017, S. 830) oder die mögliche Umsatzprognose basierend auf den Auftragseingängen (Möller et al., 2016, S. 509–510).

	* Bei '''Prescriptive Analytics''' soll die Frage beantwortet werden, was geschehen soll (Bedeley et al., 2018, S. 153). Es geht um mögliche Massnahmen zur gewünschten Zielerreichung sowie eine allfällige Automatisierung (Mehanna et al., 2018, S. 41; Keimer et al., 2017, S. 830). Zudem wird aufgezeigt, wie die einzelnen Lösungen das Ergebnis beeinflussen können (Appelbaum et al., 2017, S. 32). Hierzu werden Optimierungen und Simulationen durch verschiedene Algorithmen genutzt (Seiter, 2017, S. 151). Eine kontinuierliche Optimierung kann die Produktivität und Effizienz steigern. Eine automatisierte Auswertung vermag die Reaktionszeit zu verkürzen. Konkrete Beispiele sind unter anderem Optimierungen des Warenbestandes sowie komplexer Produktions-, Lieferanten- und Logistiknetze im Hinblick auf Produktivität oder Kosten (Mehanna et al., 2018, S. 41). Weiter können Unternehmen durch verschiedenste Restriktionen Kosten senken (Keimer et al., 2017, S. 830).		* Bei '''Prescriptive Analytics''' soll die Frage beantwortet werden, was geschehen soll (Bedeley et al., 2018, S. 153). Es geht um mögliche Massnahmen zur gewünschten Zielerreichung sowie eine allfällige Automatisierung (Mehanna et al., 2018, S. 41; Keimer et al., 2017, S. 830). Zudem wird aufgezeigt, wie die einzelnen Lösungen das Ergebnis beeinflussen können (Appelbaum et al., 2017, S. 32). Hierzu werden Optimierungen und Simulationen durch verschiedene Algorithmen genutzt (Seiter, 2017, S. 151). Eine kontinuierliche Optimierung kann die Produktivität und Effizienz steigern. Eine automatisierte Auswertung vermag die Reaktionszeit zu verkürzen. Konkrete Beispiele sind unter anderem Optimierungen des Warenbestandes sowie komplexer Produktions-, Lieferanten- und Logistiknetze im Hinblick auf Produktivität oder Kosten (Mehanna et al., 2018, S. 41). Weiter können Unternehmen durch verschiedenste Restriktionen Kosten senken (Keimer et al., 2017, S. 830).